Как Google использует социальный граф пользователя для персонализации и ранжирования подсказок в Autocomplete

Описание

Какую задачу решает

Патент решает проблему предоставления универсальных (неперсонализированных) подсказок автозаполнения (Autocomplete), которые могут быть нерелевантны конкретному пользователю. Цель изобретения — помочь пользователям в формулировании запросов, предлагая варианты, которые были валидированы их социальным окружением (Social Graph), тем самым повышая релевантность предлагаемых запросов за счет использования социального контекста.

Что запатентовано

Запатентована система и метод персонализации ранжирования поисковых подсказок. Система рассчитывает Ranking Score для каждого кандидата автозаполнения, основываясь не только на глобальной популярности, но и на данных из социального графа конкретного пользователя. Ключевым элементом является учет социальных сигналов, в частности Endorsement Score (оценки одобрения) результатов, связанных с подсказкой.

Как это работает

Механизм работает в реальном времени при вводе запроса:

• Идентификация: Система определяет пользователя (UserID) для доступа к его персональному Social Graph.
• Генерация кандидатов: На основе введенных символов извлекаются потенциальные подсказки из индекса запросов (QS Index).
• Получение социальных данных: Из социального индекса (Social Index) извлекаются данные об активности контактов пользователя.
• Расчет оценок: Для каждой подсказки рассчитывается персонализированный Ranking Score. Он учитывает социальные сигналы, такие как частота использования подсказки контактами (Frequency), их взаимодействие с результатами (Interaction Score) и, главное, одобрение результатов контактами (Endorsement Score).
• Ранжирование и отображение: Подсказки сортируются по персонализированному Ranking Score и отображаются пользователю, иногда с указанием количества одобрений (Endorsement Counts).

Актуальность для SEO

Средняя. Патент был подан в период активного развития социальных сетей Google (например, Google+). Хотя конкретные реализации, основанные на явных социальных графах того времени, могли устареть, базовая концепция использования сигналов социальной аффилированности и контекста пользователя для персонализации поисковых подсказок остается актуальной. Механизмы персонализации продолжают развиваться, используя доступные источники данных (история поиска, контакты Gmail, активность в сервисах Google).

Важность для SEO

Влияние на SEO значительно, но специфично (6/10). Патент не описывает ранжирование веб-страниц в основном поиске (SERP). Однако он критически важен для оптимизации под поисковые подсказки (Autocomplete Optimization). Он демонстрирует механизм, который влияет на поведение пользователя еще до отправки запроса. Это может существенно смещать объем поискового трафика в сторону запросов, имеющих сильную социальную валидацию (высокий Endorsement Score) в определенных сообществах.

Детальный разбор

Термины и определения

Ancillary data (Вспомогательные данные)

Дополнительная информация, отображаемая вместе с подсказками. В патенте это, в частности, Endorsement Counts.

Endorsement (Одобрение)

Действие пользователя, выражающее положительное отношение к контенту. Может быть явным (explicit), например, нажатие кнопки «Like»/»+1», или неявным (implicit), например, публикация ссылки на ресурс в блоге, социальной сети или микроблоге.

Endorsement Score (ES) (Оценка одобрения)

Метрика, отражающая количество одобрений, которые получили результаты поиска, сгенерированные на основе данной подсказки. Рассчитывается с учетом социального графа пользователя.

Frequency (f) (Частота)

Метрика, отражающая, как часто данная подсказка используется в качестве поискового запроса (глобально или в социальном графе пользователя).

Interaction Score (IS) (Оценка взаимодействия)

Метрика, отражающая взаимодействие пользователей (например, клики, скроллинг) с результатами поиска, сгенерированными на основе данной подсказки (глобально или в социальном графе пользователя).

Query Auto-completion (QS) Index (Индекс автодополнения запросов)

База данных, содержащая коллекцию запросов, ранее полученных от пользователей, используемая для генерации кандидатов в подсказки.

Ranking Score (RS) (Оценка ранжирования)

Итоговая оценка, определяющая порядок отображения подсказки в списке Autocomplete. Рассчитывается как функция от f, IS, ES и SS.

Selection Score (SS) (Оценка выбора)

Метрика, отражающая, как часто пользователи выбирают данный вариант из списка предложенных автодополнений (глобально или в социальном графе пользователя).

Social Graph (Социальный граф)

Коллекция связей пользователя (люди, ресурсы) в пределах определенной степени разделения. Включает прямые и косвенные контакты (друзья друзей). Связи могут иметь веса (weighted edges), отражающие social affinity (социальную близость), основанную на частоте взаимодействия.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод персонализации Autocomplete.

1. Система получает начальный поисковый запрос от пользователя.
2. Система получает набор вариантов автодополнения.
3. Система получает данные Social Graph, специфичные для этого пользователя, отражающие его компьютерные социальные связи.
4. Для каждого варианта определяется Ranking Score, основанный (частично) на данных Social Graph.
5. Критическое условие: Ranking Score основан (частично) на Endorsement Score (ES) для данного варианта.
6. ES отражает одобрения (Endorsements), предоставленные другими пользователями результатам поиска, которые ранее генерировались по этому запросу.
7. Система передает ответ с вариантами автозаполнения в порядке, определенном Ranking Scores.

Ядром изобретения является использование одобрений результатов поиска для ранжирования самих запросов в Autocomplete, с учетом социального контекста пользователя.

Claim 2 (Зависимый от 1): Уточняет, что Endorsement Score определяется на основе данных Social Graph. Это означает, что система учитывает одобрения, сделанные именно контактами пользователя.

Claim 3 (Зависимый от 1): Система передает вспомогательные данные (ancillary data) для отображения вместе с подсказками, в частности Endorsement Counts (счетчики одобрений).

Claim 4 (Зависимый от 1): Детализирует расчет Endorsement Score. Он базируется на количестве одобрений, связанных с результатами поиска, которые *были бы показаны*, если бы это автодополнение было выбрано в качестве запроса.

Claim 6 (Зависимый от 4): Уточняет источник одобрений для персонализации. Количество одобрений отражает только те одобрения, которые были предоставлены членами Social Graph ищущего пользователя.

Claims 7 и 8 (Зависимые от 4): Указывают на вариативность учета одобрений. Система может учитывать как явные (explicit), так и неявные (implicit) одобрения (Claim 7), или только явные (Claim 8).

Claims 9 и 10 (Зависимые от 4): Описывают интерактивность Endorsement Count. Пользователь может выбрать счетчик для отображения подробной информации, включая данные о том, кто из членов Social Graph предоставил эти одобрения.

Где и как применяется

Изобретение применяется на этапе взаимодействия пользователя с поисковой строкой, до отправки основного запроса.

QUNDERSTANDING – Понимание Запросов
Это основная область применения. Система помогает пользователю сформулировать запрос (Query Formulation) через механизм Autocomplete. Auto-completion Engine обрабатывает ввод, идентифицирует пользователя и выполняет персонализированное ранжирование подсказок в реальном времени.

INDEXING – Индексирование и извлечение признаков
Для работы системы необходимы предварительно проиндексированные данные. Индексируются социальные связи пользователей (Social Index) и фиксируются действия «одобрения» (Endorsements) контента, а также логи запросов (QS Index).

Взаимодействие компонентов:

Auto-completion Engine получает начальный ввод и UserID. Он запрашивает кандидатов у QS Index и социальные данные у Social Index. Затем он рассчитывает персонализированные Ranking Scores и возвращает отсортированный список клиенту.

Входные данные:

• Начальный ввод пользователя (n-gram).
• Идентификатор пользователя (UserID) или cookie.
• Данные из QS Index (кандидаты в подсказки).
• Данные из Social Index (структура социального графа, одобрения и активность контактов).

Выходные данные:

• Персонализированный список подсказок Autocomplete, отсортированный по Ranking Score.
• Вспомогательные данные (например, Endorsement Counts).
• (Опционально) Предварительные результаты поиска для лучшей подсказки.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на запросы, где социальная валидация имеет значение: рекомендации продуктов, отзывы, развлечения, путешествия, трендовые темы. Меньшее влияние на строго фактологические или навигационные запросы.
• Конкретные ниши или тематики: Ниши с активным социальным обсуждением и обменом контентом (например, хобби, технологии, мода, кулинария).

Когда применяется

• Условия работы: Алгоритм активируется в момент ввода пользователем текста в поисковую строку (Search-as-you-type).
• Триггеры активации: Для применения персонализации система должна идентифицировать пользователя (например, он залогинен) и иметь доступ к его Social Graph данным. Если данных нет, используется стандартное ранжирование Autocomplete.

Пошаговый алгоритм

Процесс обработки ввода пользователя в реальном времени:

1. Получение ввода и идентификация: Система получает начальный ввод от клиента и определяет UserID ищущего пользователя.
2. Получение кандидатов: Auto-completion Engine запрашивает QS Index и получает набор потенциальных вариантов автозаполнения.
3. Получение социальных данных: Используя UserID, система запрашивает Social Index и получает данные Social Graph пользователя (включая структуру связей и social affinity).
4. Расчет персонализированных метрик: Для каждого кандидата система рассчитывает метрики, основанные на активности членов Social Graph:
   • Персонализированная Частота (f): Как часто контакты использовали этот запрос.
   • Персонализированная Оценка Взаимодействия (IS): Как контакты взаимодействовали с результатами по этому запросу.
   • Персонализированная Оценка Одобрения (ES): Сколько одобрений (явных/неявных) контакты дали результатам по этому запросу.
   • Персонализированная Оценка Выбора (SS): Как часто контакты выбирали эту подсказку из списка.
5. Расчет Ranking Score: Для каждого кандидата вычисляется итоговый Ranking Score (RS) как функция от рассчитанных метрик (RS=f[f, IS, ES, SS]). Метрикам могут быть присвоены разные веса.
6. Ранжирование: Кандидаты сортируются на основе их Ranking Score.
7. Формирование ответа: Система формирует ответ, включающий отсортированный список подсказок и вспомогательные данные (Endorsement Counts).
8. Передача и отображение: Ответ передается на клиентское устройство для отображения.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании поведенческих и социальных факторов для персонализации.

• Поведенческие факторы (в контексте социального графа):
  • Логи запросов контактов (для Frequency).
  • Взаимодействие контактов с результатами поиска (клики, скроллинг) (для Interaction Score).
  • Выбор подсказок контактами из списка Autocomplete (для Selection Score).
• Социальные факторы (Social Graph Data):
  • Структура связей: Кто является контактом пользователя (прямым или косвенным) через email, чат, социальные сети.
  • Social Affinity (Социальная близость): Веса связей, основанные на частоте и типе взаимодействий.
  • Endorsements (Одобрения): Явные (кнопки лайков/+1) и неявные (ссылки в блогах, социальных сетях, упоминания) одобрения контента контактами.
• Пользовательские факторы: UserID для идентификации пользователя и доступа к его графу.

Какие метрики используются и как они считаются

Система использует четыре основные метрики для расчета Ranking Score. Ключевая особенность в том, что каждая из них рассчитывается специфично для Social Graph пользователя.

• Frequency (f): Количество раз, когда запрос был отправлен членами социального графа. Может учитывать близость контакта (social affinity).
• Interaction Score (IS): Агрегированная оценка взаимодействия членов социального графа с результатами поиска по данному запросу.
• Endorsement Score (ES): Сумма одобрений (Endorsements), которые члены социального графа дали результатам поиска, соответствующим данному запросу. Это ключевая метрика согласно Claim 1.
• Selection Score (SS): Частота выбора данной подсказки из списка Autocomplete членами социального графа.
• Ranking Score (RS): Итоговая оценка, рассчитываемая как взвешенная функция: RS = f[W1*f, W2*IS, W3*ES, W4*SS]. Веса (Wn) позволяют контролировать влияние каждого фактора (например, ES может иметь больший вес, чем f).

Выводы

1. Autocomplete глубоко персонализирован: Поисковые подсказки не являются универсальными. Патент описывает механизм их глубокой персонализации на основе социального графа пользователя. Порядок подсказок уникален для каждого пользователя.
2. Социальные сигналы как фактор ранжирования подсказок: Активность социального окружения пользователя (что они ищут, на что кликают, что одобряют) используется для определения релевантности подсказки. Endorsement Score является ключевым компонентом.
3. Влияние на формирование запросов (Query Formulation): Этот механизм напрямую влияет на то, какие именно запросы пользователи отправляют в поиск. Предлагая социально валидированные варианты на первых позициях, система смещает поисковый спрос в их сторону.
4. Широкое определение «Одобрения» (Endorsement): Одобрение трактуется широко и включает не только явные действия (лайки), но и неявные (публикация ссылок в социальных сетях, блогах). Это связывает социальную активность с классическими SEO-сигналами (ссылками).
5. Зависимость от идентификации и данных графа: Эффективность механизма зависит от способности Google идентифицировать пользователя (UserID) и наличия у него достаточного объема данных Social Graph.

Практика

Best practices (это мы делаем)

• Оптимизация под Autocomplete (ASO) с учетом персонализации: Регулярно анализируйте подсказки вокруг ваших брендовых и тематических запросов, но всегда делайте это в режиме Инкогнито для получения базового списка. Помните, что реальные пользователи увидят персонализированный список.
• Стимулирование социальных одобрений (Endorsements): Создавайте контент, который естественным образом стимулирует пользователей делиться им, ссылаться на него в блогах и социальных сетях. Эти действия формируют Endorsement Score, который повышает вероятность показа связанных запросов в Autocomplete для социального окружения этих пользователей.
• Построение сообщества и социального присутствия: Развивайте активное сообщество вокруг бренда. Чем больше пользователей взаимодействуют с вашим контентом и одобряют его, тем сильнее сигналы в социальном графе, которые могут быть использованы для персонализации подсказок.
• Интеграция SEO и SMM: Рассматривайте социальную активность как способ повышения видимости не только в соцсетях, но и в поиске через механизм Autocomplete. Успешные социальные кампании могут привести к росту связанных и брендовых запросов в подсказках.

Worst practices (это делать не надо)

• Накрутка социальных сигналов: Попытки манипулировать Endorsement Score через покупку лайков, шейров или спам-ссылок неэффективны. Система стремится использовать данные из реального Social Graph, основанного на действительных связях и social affinity, а не на случайных аккаунтах.
• Игнорирование социального контекста: Создание контента исключительно под поисковые запросы без учета того, как он будет восприниматься и распространяться в социальных кругах целевой аудитории.
• Фокус на манипуляциях с Autocomplete: Традиционные методы «накрутки подсказок» (многократные запросы) могут быть менее эффективны для залогиненных пользователей, если система применяет сильную социальную персонализацию, описанную в патенте.

Стратегическое значение

Патент подтверждает важность интеграции социального контекста в поисковые технологии. Он показывает, что влияние социальных сигналов начинается еще до того, как пользователь увидел SERP. Стратегически это подчеркивает необходимость комплексного подхода к маркетингу, где завоевание внимания и одобрения (endorsements) на различных платформах так же важно, как и традиционная SEO-оптимизация. Долгосрочная стратегия должна быть направлена на создание авторитетного контента, который естественно распространяется и получает социальную валидацию.

Практические примеры

Сценарий: Персонализация подсказок для выбора техники

1. Контекст: Пользователь А интересуется фотографией. В его социальном графе много контактов (Пользователи Б, В, Г), которые являются фотографами.
2. Действия контактов: Пользователи Б и В недавно искали «sony a7rv отзывы», активно кликали на результаты (высокий IS) и публиковали ссылки на обзоры этой камеры в своих блогах (неявное одобрение, высокий ES).
3. Действие Пользователя А: Пользователь А начинает вводить в поиске «sony a7».
4. Стандартные подсказки (Инкогнито): Могли бы быть «sony a7iii», «sony a7iv цена».
5. Персонализированные подсказки (по патенту): Система анализирует социальный граф Пользователя А. Она видит высокую активность (Frequency, IS, ES) для запросов, связанных с «sony a7rv», исходящих от его контактов.
6. Результат: Система повышает Ranking Score для подсказки «sony a7rv отзывы» и показывает ее выше в списке для Пользователя А. Пользователь А с большей вероятностью выберет этот социально валидированный запрос.

Вопросы и ответы